一、Var模型的基本介绍
向量自回归模型（Vector Autoregressive Models，VAR）最早由Sims（1980）提出。他认为，如果模型设定和识别不准确，那么模型就不能准确地反应经济系统的动态特性，也不能很好地进行动态模拟和政策分析。因此，VAR模型通常使用最少的经济理论假设，以时间序列的统计特征为出发点，通常对经济系统进行冲击响应（Impulse-Response）分析来了解经济系统的动态特性和冲击传导机制。由于VAR模型侧重于描述经济的动态特性，因而它不仅可以验证各种经济理论假设，而且在政策模拟上具有优越性。
VAR模型主要用于替代联立方程结构模型，提高经济预测的准确性。用联立方程模型研究宏观经济问题，是当前世界各国经济学者的一种通用做法，它把理论分析和实际统计数据结合起来，利用现行回归或非线性回归分析方法，确定经济变量之间的结构关系，构成一个由若干方程组成的模型系统。联立方程模型适合于经济结构分析，但不适合于预测：联立方程模型的预测结果的精度不高，其主要原因是需要对外生变量本身进行预测。与联立方程模型不同，VAR模型相对简洁明了，特别适合于中短期预测。目前，VAR模型在宏观经济和商业金融预测等领域获得了广泛应用。
二、VAR模型的设定
VAR模型描述在同一样本期间内的n个变量（内生变量）可以作为它们过去值的线性函数。
一个VAR(p)模型可以写成为：
或：
其中：c是n × 1常数向量，A i是n × n矩阵，p是滞后阶数，A(L)是滞后多项式矩阵，L是滞后算子。是n × 1误差向量，满足：
1. —误差项的均值为0
2. Ω—误差项的协方差矩阵为Ω（一个n × 'n正定矩阵）
3.（对于所有不为0的p都满足）—误差项不存在自相关
虽然从模型形式上来看比较简单，但在利用VAR模型进行分析之前，对模型的设定还需要意以下两点：
一是变量的选择。理论上来讲，既然VAR模型把经济作为一个系统来研究，那么模型中
包含的变量越多越好。而在实际应用中，模型中包含的变量并不是越多越好。变量个数太多会对模型估计的有效性产生影响，而且使冲击的识别更加困难，但模型中包含的变量也不能太少，太少不足以揭示经济变量之间的动态关系。因此，在使用VAR模型是，我们应根据研究问题的重点及数据样本的规模选择合适的变量个数。如果要从纯统计技术上选择变量的个数，那么我们可以利用前面章节介绍的似然函数比例方法和信息判据方法来进行变量的筛选。
二是滞后阶数的选择。对于一个包含n个变量的VAR模型，每增加一个滞后阶数，模型
中的参数就增加，增加的速度非常快，因此我们必须选择合适的滞后阶数。通常我们用信
息判据方法、似然函数比例方法及约束检验方法来选择模型的滞后阶数。
在模型设定后,VAR模型的估计比较简单，通常采用普通最小二乘法及极大似然方法来估计模型中的参数。
三、冲击响应分析
在满足稳定性条件下，可以将上面的VAR模型进行变换得到移动平均形式：
，
由此可以得到
从而，
= ,
如果确实对应实际中我们感兴趣的冲击，那么就可以利用上式进行冲击响应分析。根据此式，假设在t期经济系统受到一个单位的暂时冲击，那么系统对该冲击的响应就可以通过矩阵来刻画。如果经济系统自t期以后每期都受到一个单位的冲击，那么系统对该冲击的响应可通过矩阵来刻画。因此，通过了解系统对各种冲击的响应，我们可以详细了解系统的动态特性。
四、误差分解
对于VAR模型，我们还可以通过误差分解了解各个冲击对经济系统的影响程度。
从上面的公式可得到
)=
从而，
其中，矩阵V式误差向量的协方差矩阵。
从这里可以看出，各个冲击对系统的预测误差影响程度是不同的，我们通过误差分解，可以详细了解各个冲击在预测误差中的贡献度，从而了解各个冲击在动态分析中的重要性；而且我们可以针对不同的预测区间进行预测误差分解，从而更近一步地了解各个冲击在不同时期对系统影响的重要性。
五、VAR模型的特点
1.不以严格的经济理论为依据，在建模过程中只需明确：VAR模型中包含哪些变量和滞后期p
2.VAR模型对参数不施加零约束，即参数估计值显著与否都被保留在模型中
3.VAR模型估计的参数较多，当样本容量较小时，多数参数的估计量误差较大
4.VAR模型的解释变量中不包括任何当期变量
5.非限制性VAR模型的应用之一是预测。由于模型右侧不含当期变量，用于预测时不必对解释变量在预测期内的取值作任何预测
六、SVAR模型
结构向量自回归模型（SVAR）可以捕捉模型系统内各个变量之间的即时的(instantaneous)结构性关系。而如果仅仅建立一个VAR模型，这样的结构关联性却被转移到了随机扰动向量的方差-协方差矩阵中了。也正是基于这个原因，VAR模型实质上是一个缩减形式，没有明确体现变量间的结构性关系。
一个结构向量自回归（Structural VAR）模型可以写成为：
其中：c0是n ×1常数向量，B i是n ×n矩阵，εt是n ×1误差向量。
一个有两个变量的结构VAR(1)可以表示为：
其中:
在一定的经济理论基础上的计量经济模型如果已经对各种冲击进行了显性的识别，那么这些模型通常可以变换为VAR或SVAR模型，VAR或SVAR模型是这些模型的简化式。但是有这些模型经过变换得到的VAR模型与一般的VAR模型并不完全相同，表现为两方面：
首先，这些模型经过变换得到的VAR模型是一种带有约束的VAR模型，我们可以通过约束检验和似然函数比例方法进行进一步检验来比较这两种模型。
其次，这些模型经过变换得到的VAR模型比一般的VAR模型有优越性的地方，但也有不足之处。通常这些模型对冲击进行了显性的识别，因而我们不需要进行冲击识别的过程，而一般的VAR模型所包含的冲击更为广泛，只有施加适当的识别条件，才能得到人们感兴趣的冲击，所以二者通常不能完全相互取代。
因此，要使这两种模型都避免Lucas批判（即当经济环境、政策体制、预期等发生变化导致深层次参数发生变化时，可能会导致模型中估计参数的变化及行为方程的不稳定，这将对政策分析和评价造成很大影响），我们需要对这两种模型进行有关的外生性检验。
参考文献：
刘斌.应用计量经济学.中国金融出版社.2010
潘省初.计量经济学中级教程.清华大学出版社.2009
一、Var模型的基本介绍 向量自回归模型（Vector Autoregressive Models，VAR）最早由Sims（1980）提出。他认为，如果模型设定和识别不准确，那么模型就不能准确地反应经济系统的动态特性，也不能很好地进行动态模拟和政策分析。因此，VAR模型通常使用最少的经济理论假设，以时间序列的统计特征为出发点，通常对经济系统进行冲击响应（Impulse-Response）分析来了解经济系统的动态特性和冲击传导机制。由于VAR模型侧重于描述经济的动态特性，因而它不仅可以验证各种经济理论假设，而且在政策模拟上具有优越性。 VAR模型主要用于替代联立方程结构模型，提高经济预测的准确性。用联立方程模型研究宏观经济问题，是当前世界各国经济学者的一种通用做法，它把理论分析和实际统计数据结合起来，利用现行回归或非线性回归分析方法，确定经济变量之间的结构关系，构成一个由若干方程组成的模型系统。联立方程模型适合于经济结构分析，但不适合于预测：联立方程模型的预测结果的精度不高，其主要原因是需要对外生变量本身进行预测。与联立方程模型不同，VAR模型相对简洁明了，特别适合于中短期预测。目前，VAR模型在宏观经济和商业金融预测等领域获得了广泛应用。 二、VAR模型的设定 VAR模型描述在同一样本期间内的n个变量（内生变量）可以作为它们过去值的线性函数。 一个VAR(p)模型可以写成为： 或： 其中：c是n × 1常数向量，A i是n × n矩阵，p是滞后阶数，A(L)是滞后多项式矩阵，L是滞后算子。是n × 1误差向量，满足： 1. —误差项的均值为0 2. Ω—误差项的协方差矩阵为Ω（一个n × 'n正定矩阵） 3.（对于所有不为0的p都满足）—误差项不存在自相关 虽然从模型形式上来看比较简单，但在利用VAR模型进行分析之前，对模型的设定还需要意以下两点： 一是变量的选择。理论上来讲，既然VAR模型把经济作为一个系统来研究，那么模型中
第十四章 向量自回归模型 本章导读：前一章介绍了时间序列回归，其基本知识为本章的学习奠定了基础。这一章将要介绍的是时间序列回归中最常用的向量自回归，它独有的建模优势赢得了人们的广泛喜爱。 14.1 VAR 模型的背景及数学表达式 VAR 模型主要应用于宏观经济学。在VAR 模型产生之初，很多研究者（例如Sims ，1980 和Litterman ，1976；1986）就认为，VAR 在预测方面要强于结构方程模型。VAR 模型产生的原因在于20世纪60年代一大堆的结构方程并不能让人得到理想的结果，而VAR 模型的预测却比结构方程更胜一筹，主要原因在于大型结构方程的方法论存在着更根本的问题，并且结构方程受到最具挑战性的批判来自卢卡斯批判，卢卡斯指出，结构方程组中的“决策规则”参数，在经济政策改变时无法保持稳定，即使这些规则本身也是正确的。因此宏观经济建模的方程组在范式上显然具有根本缺陷。VAR 模型的研究用微观化基础重新表述宏观经济模型的基本方程，与此同时，对经济变量之间的相互关系要求也并不是很高。 我们知道经济理论往往是不能为经济变量之间的动态关系提供一个严格的定义，这使得在解释变量过程中出现一个问题，那就是内生变量究竟是出现在方程的哪边。这个问题使得估计和推理变得复杂和晦涩。为了解决这一问题，向量自回归的方法出现了，它是由sim 于1980年提出来的，自回归模型采用的是多方程联立的形式，它并不以经济理论为基础，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后项进行回归，从而估计全部内生变量的动态关系。 向量自回归通常用来预测相互联系的时间序列系统以及分析随机扰动项对变量系统的动态影响。向量自回归的原理在于把每个内生变量作为系统中所有内生变量滞后值的函数来构造模型，从而避开了结构建模方法中需要对系统每个内生变量关于所有内生变量滞后值的建模问题。一般的VAR(P)模型的数学表达式是。 11011{,}t t p t p t t q t q t y v A y A y B x B x B x t μ----=++???++++???++∈-∞+∞ （14.1） 其中1t t Kt y y y =??????（）表示K ×1阶随机向量， 1A 到p A 表示K ×K 阶的参数矩阵， t x 表示M ×1阶外生变量向量， 1B 到q B 是K ×M 阶待估系数矩阵， 并且假定t μ是白噪声序列；即， ()0,t E μ= '(),t t E μμ=∑并且'()0,t s E μμ=)t s ≠（。 在实际应用过程之中，由于滞后期p 和q 足够大，因此它能够完整的反映所构造模型的 全部动态关系信息。但这有一个严重的缺陷在于，如果滞后期越长，那么所要估计的参数就会变得越多，自由度就会减少。因此需要在自由度与滞后期之间找出一种均衡状态。一般的准则就是取许瓦咨准则（SC ）和池此信息准则(AIC)两者统计量最小时的滞后期，其统计量见式(14-2)与式（14-3）。 2/2/AIC l n k n =-+ （14.2）
第8章V AR模型与协整 1980年Sims提出向量自回归模型（vector autoregressive model）。这种模型采用多方程联立的形式，它不以经济理论为基础，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后值进行回归，从而估计全部内生变量的动态关系。 8.1向量自回归（V AR）模型定义 8.1.1 模型定义 V AR模型是自回归模型的联立形式，所以称向量自回归模型。假设y1t，y2t之间存在关系，如果分别建立两个自回归模型 y1, t= f (y1, t-1, y1, t-2, …) y2, t= f (y2, t-1, y2, t-2, …) 则无法捕捉两个变量之间的关系。如果采用联立的形式，就可以建立起两个变量之间的关系。V AR模型的结构与两个参数有关。一个是所含变量个数N，一个是最大滞后阶数k。 以两个变量y1t，y2t滞后1期的V AR模型为例，
y 1, t = c 1 + π11.1 y 1, t -1 + π12.1 y 2, t -1 + u 1 t y 2, t = c 2 + π21.1 y 1, t -1 + π22.1 y 2, t -1 + u 2 t (8.1) 其中u 1 t , u 2 t ~ IID (0, σ 2), Cov(u 1 t , u 2 t ) = 0。写成矩阵形式是， ??????t t y y 21=12c c ??????+??????1.221 .211.121.11ππππ??????--1,21,1t t y y +?? ? ???t t u u 21 (8.2) 设， Y t =??????t t y y 21, c =12c c ?????? , ∏1 =??????1.221.211.121.11ππππ, u t =??? ???t t u u 21, 则， Y t = c + ∏1 Y t -1 + u t (8.3) 那么，含有N 个变量滞后k 期的V AR 模型表示如下： Y t = c + ∏1 Y t -1 + ∏2 Y t -2 + … + ∏k Y t -k + u t , u t ~ IID (0, Ω) (8.4) 其中， Y t = (y 1, t y 2, t … y N , t )' c = (c 1 c 2 … c N )' ∏j = ???? ?? ????????j NN j N j N j N j j j N j j ..2.1.2.22.21.1.12.11πππππππππΛ M O M M ΛΛ, j = 1, 2, …, k u t = (u 1 t u 2,t … u N t )',
向量自回归 预测是计量经济分析的重要部分，宽泛的说，依据时间序列数据进行经济预测的方法有五种：（1）指数平滑法；（2）单一方程回归模型；（3）联立方程回归模型；（4）单整自回归移动平均模型；（5）向量自回归模型（V AR ，vector autoregression ）。 一、V AR 的估计 V AR 方法论同时考虑几个内生变量，它看起来类似于联立方程模型。但是，在V AR 模型中，每一个内生变量都是由它的滞后或过去值以及模型中所有其他内生变量的滞后或过去值来解释。通常模型中没有任何外生变量。在联立方程模型中，我们把一些变量看作内生的，而另一些变量看作外生的或预定的，在估计这些模型之前，必须肯定方程组中的方程是可识别的，而为达到识别的目的，常常要假定某些预定变量仅出现在某些方程之中，这些决定往往是主观的，因此这种方法受到C.A.西姆斯（Christopher Sims ）的严厉批评，他认为如果在一组变量中有真实的联立性，这些变量就应该平等对待，而不应事先区分内生和外生变量，以此思路，其推出了V AR 模型。 例我们想考虑中国的货币（M1）与利率（R ）的关系。如果通过格兰杰因果关系检验，我们无法拒绝两者之间有双向因果关系的假设，即M1 影响R ，而R 反过来又影响M1，这种情形是应用V AR 的理想情形。假定每个方程都含有M1 和R 的k 个滞后值作为回归元，每个方程都可以用OLS 去估计，实际模型如下： 11111k k t j t j j t j t j j M M R u αβγ--===+++∑∑
2111k k t j t j j t j t j j R M R u αθλ--=='=+++∑∑ 其中u 是随机误差项，在V AR 术语中称为脉冲值（impulses ）。在估计以上方程时，必须先决定最大滞后长度，这是一个经验问题，包括过多的滞后项将消耗自由度，而且会引入多重共线性的可能性，而包含过少的滞后值将导致设定误差，解决这个问题的方法之一就是使用赤池、施瓦茨或汉南—奎因准则中的某一个准则，并选择准则最低值的模型，因此，这个过程中试错法就不可避免。 值得注意的是，向量自回归模型中同时引入同一变量的几个滞后项，可能因多重共线性而使每个估计系数在统计上都不显著，但基于F 检验它们可能是联合显著的。 二、V AR 建模的一些问题 V AR 的倡导者强调此法有如下的优点：（1）方法简单，无需决定哪些变量是内生的，哪些变量是外生的，V AR 中的全部变量都是内生的。（2）估计简单：常用的OLS 法可以用于逐个估计每一个方程。 （3）在许多案例中，此方法得到的预测优于用更复杂的联立方程模型得到的预测。 但V AR 建模的批评者指出如下的一些问题： 1、不同于联立方程模型，V AR 利用较少的先验信息，所有是缺乏理论支撑的，因为在联立方程中排除或包含某些变量，对模型的识别起到关键性作用。 2、由于重点放到预测，V AR 模型不适合用于政策分析。 3、实际上，对V AR 建模最大的挑战在于选择适当滞后长度。假